醫(yī)學(xué)文獻(xiàn)語(yǔ)句新穎性探測(cè)方法比較分析.pdf

1、目的：
　　醫(yī)學(xué)文獻(xiàn)語(yǔ)句新穎性探測(cè)的目的在于，有效的解決信息冗余，在醫(yī)學(xué)文獻(xiàn)中自動(dòng)地發(fā)現(xiàn)攜帶新信息的語(yǔ)句。本文將三種新穎性探測(cè)方法，包括余弦值算法、詞重疊度算法，以及詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法，應(yīng)用到醫(yī)學(xué)文獻(xiàn)語(yǔ)句級(jí)新穎性探測(cè)中。對(duì)比分析三種方法計(jì)算語(yǔ)句新穎度的評(píng)測(cè)結(jié)果。
　　材料與方法：
　　選用pubmed數(shù)據(jù)庫(kù)，查找關(guān)于細(xì)胞自噬相關(guān)基因（Autophagy relatedgenes，Atg）的綜述文獻(xiàn)。篩選51篇，其中標(biāo)

2、題和摘要共計(jì)383個(gè)語(yǔ)句。使用MetaMap、MetaMap結(jié)果處理軟件、MySQL數(shù)據(jù)庫(kù)對(duì)自然語(yǔ)言進(jìn)行概念抽取，刪去停用詞，得到了由統(tǒng)一的、規(guī)范化的概念詞表達(dá)的語(yǔ)句集。運(yùn)用R語(yǔ)言構(gòu)建語(yǔ)句-概念向量空間模型，在向量空間模型的基礎(chǔ)上，使用Ruby編寫余弦值算法、詞重疊度算法。在語(yǔ)句概念詞的基礎(chǔ)上，使用Ruby編寫詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)算法。通過(guò)調(diào)查問卷方法獲得文獻(xiàn)語(yǔ)句新穎性參考答案，引入召回率、準(zhǔn)確率以及F值三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)三種算法進(jìn)行評(píng)測(cè)，

3、統(tǒng)計(jì)分析三種方法的評(píng)測(cè)結(jié)果。
　　結(jié)果：
　　對(duì)于新穎度計(jì)算結(jié)果，詞重疊度算法的均值最小，為0.75，詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的均值最大，為0.85。詞重疊度算法的標(biāo)準(zhǔn)差最大，為0.1802，余弦值算法的標(biāo)準(zhǔn)差最小，為0.1426。在新穎度的基礎(chǔ)上，給定一個(gè)閾值，如果探測(cè)語(yǔ)句的新穎度大于該閾值，則認(rèn)為有新的信息出現(xiàn)，如果計(jì)算的新穎度比閾值小，則認(rèn)為該語(yǔ)句表達(dá)信息重復(fù)。對(duì)三種方法在其設(shè)定的各閾值下得到的語(yǔ)句新穎性探測(cè)評(píng)測(cè)結(jié)果進(jìn)行統(tǒng)

4、計(jì)描述。結(jié)果表明，詞重疊度算法的召回率均值最高，為0.7444，詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的召回率均值次之。詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的準(zhǔn)確率均值最高，為0.8343，詞重疊度算法的準(zhǔn)確率均值次之。詞重疊度算法的F值均值最高，為0.7621，詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的F值均值次之，為0.7611，差值為0.001。余弦值算法的召回率、準(zhǔn)確率以及F值得均值都是最低。另外，在其設(shè)定的各個(gè)的閾值下，只有詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的評(píng)測(cè)數(shù)據(jù)中，有F值超過(guò)了0.8的情

5、況(對(duì)應(yīng)閾值為0.80、0.81、0.82)。
　　結(jié)論：
　　將三種新穎性探測(cè)方法，應(yīng)用到醫(yī)學(xué)文獻(xiàn)語(yǔ)句級(jí)新穎性探測(cè)中，對(duì)于新穎度計(jì)算結(jié)果，詞重疊度算法的均值最小，為0.75，標(biāo)準(zhǔn)差最大，為0.1802，說(shuō)明詞重疊度算法能夠更好的將語(yǔ)句內(nèi)容間差異表現(xiàn)在數(shù)據(jù)上。
　　三種方法評(píng)測(cè)數(shù)據(jù)顯示，在其設(shè)定的各個(gè)閾值下，只有詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的評(píng)測(cè)數(shù)據(jù)有F值超過(guò)了0.8的情況，說(shuō)明詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法的語(yǔ)句級(jí)新穎性探測(cè)效果是三者

6、之中最優(yōu)的。
　　詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法對(duì)比其他兩種算法的優(yōu)勢(shì)在于，第一，詞對(duì)逆語(yǔ)句頻率統(tǒng)計(jì)法計(jì)算過(guò)程不需要構(gòu)建向量空間模型，計(jì)算簡(jiǎn)便，耗時(shí)少。第二，該算法通過(guò)統(tǒng)計(jì)概念詞對(duì)出現(xiàn)的頻次，來(lái)計(jì)算語(yǔ)句新穎度，概念詞對(duì)對(duì)比單個(gè)概念詞能夠更好地體現(xiàn)語(yǔ)句所包含的信息。第三，該方法的運(yùn)算公式能夠直接得出語(yǔ)句新穎度，運(yùn)算思路是基于和待探測(cè)語(yǔ)句之前出現(xiàn)的所有語(yǔ)句包含的所有信息進(jìn)行對(duì)比，而非和待探測(cè)語(yǔ)句之前出現(xiàn)的每一條語(yǔ)句包含的信息，進(jìn)行逐一對(duì)比。這一